Análisis de correlaciones del precio de bolsa de energía eléctrica con variables del sector eléctrico y económicas

Abstract

Este estudio tiene como objetivo desarrollar un modelo predictivo basado en el modelo ARIMA para estimar el costo de la energía eléctrica en Colombia, enfocándose en el precio de bolsa nacional y su relación con variables clave como el precio de oferta de los generadores hidroeléctricos y los indicadores económicos IPC e IPP. Para ello, se utilizaron datos históricos del mercado eléctrico colombiano desde enero de 2010 hasta abril de 2024. El modelo propuesto combina técnicas avanzadas de análisis de series de tiempo para capturar patrones temporales, tendencias, estacionalidades, y modelar incertidumbres y relaciones no lineales. La metodología utilizada sigue el proceso CRISP-DM, que asegura la coherencia y rigurosidad en cada fase del análisis. Los resultados del estudio muestran que el modelo ARIMA es efectivo para predecir el costo de la energía eléctrica en condiciones normales y atípicas, como fenómenos climáticos extremos o crisis económicas. Sin embargo, se reconocen limitaciones, como la dependencia de la calidad y disponibilidad de los datos y la complejidad de modelar sistemas dinámicos y multivariados. En conclusión, este estudio contribuye al avance en la predicción de precios de energía al proponer un modelo integrado que puede tener un impacto significativo en la planificación y operación del sistema eléctrico, facilitando la toma de decisiones informadas y mejorando la estabilidad y eficiencia del sistema energético. (Tomado de la fuente)

This study aims to develop a predictive model based on the ARIMA model to estimate the cost of electricity in Colombia, focusing on the national market price and its relationship with key variables such as the offer price of hydroelectric generators and economic indicators IPC and IPP. For this, historical data from the Colombian electricity market from January 2010 to April 2024 were used. The proposed model combines advanced time series analysis techniques to capture temporal patterns, trends, seasonality, and to model uncertainties and nonlinear relationships. The methodology used follows the CRISP-DM process, ensuring coherence and rigor in each phase of the analysis. The results of the study show that the ARIMA model is effective in predicting the cost of electricity under normal and atypical conditions, such as extreme weather phenomena or economic crises. However, limitations are recognized, such as dependence on the quality and availability of data and the complexity of modeling dynamic and multivariable systems. In conclusion, this study contributes to the advancement in the prediction of energy prices by proposing an integrated model that can have a significant impact on the planning and operation of the electrical system, facilitating informed decision-making and improving the stability and efficiency of the energy system.